python识别图像并提取文字的实现方法


Posted in Python onJune 28, 2019

前言

python图像识别一般基础到的就是tesseract了,在爬虫中处理验证码广泛使用。

安装

安装教程网上大都差不多,Windows下确实比较麻烦,涉及到各种路径、环境变量甚至与linux不同的路径分隔符,所以这里的安装是基于Centos7。

1. 依赖安装

yum install -y automake autoconf libtool gcc gcc-c++

2. 安装leptonica

Leptonica主要用于图像处理和图像分析

原则上所有的库文件都是可以直接用yum安装的,如果想要具体的某个版本,可以前往官方源下载对应版本然后按照对应方式编译

wget http://www.leptonica.org/source/leptonica-1.74.4.tar.gz
tar -zxvf leptonica-1.74.4.tar.gz
cd leptonica-1.74.4/
./configure
make && make install

3. 安装tesseract

其他各版本可以在这里下载并自行编译,也提供直接使用的文件。

yum install tesseract

4. 验证安装

tesseract --version

5. 语言包下载

前往tesseract-ocr/tessdata下载相应的语言包,然后将之移动到tessdata目录下,可以用whereis tesseract查看一下具体的目录,我的是/usr/share/tesseract/tessdata/mv *.traineddata /usr/local/share/tessdata/

6. 查看目前已下载的语言

tesseract --list-langs

使用

# tesseract
Usage:
 tesseract --help | --help-psm | --help-oem | --version
 tesseract --list-langs [--tessdata-dir PATH]
 tesseract --print-parameters [options...] [configfile...]
 tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
 --tessdata-dir PATH  Specify the location of tessdata path.
 --user-words PATH   Specify the location of user words file.
 --user-patterns PATH Specify the location of user patterns file.
 -l LANG[+LANG]    Specify language(s) used for OCR.
 -c VAR=VALUE     Set value for config variables.
            Multiple -c arguments are allowed.
 --psm NUM       Specify page segmentation mode.
 --oem NUM       Specify OCR Engine mode.
NOTE: These options must occur before any configfile.

语法

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
  • imagename:图片名字
  • outputbase:指定输出,如果希望直接输出而不是保存到文件,那么就使用 stdout,否则这个参数将会作为保存结果的文件的前缀
  • -l指定语言文件,默认使用英文
  • tesseract --print-parameters:查看更多参数信息
  • 使用-c指定单项参数的值或者将配置写入配置文件放在命令最后(支持多个配置文件)
  • psm 识别图像的方式

0:定向脚本监测(OSD)

1: 使用OSD自动分页

2 :自动分页,但是不使用OSD或OCR(Optical Character Recognition,光学字符识别)

3 :全自动分页,但是没有使用OSD(默认)

4 :假设可变大小的一个文本列。

5 :假设垂直对齐文本的单个统一块。

6 :假设一个统一的文本块。

7 :将图像视为单个文本行。

8 :将图像视为单个词。

9 :将图像视为圆中的单个词。

10 :将图像视为单个字符。

python中使用

Tesseract安装完成后可以很方便的被Python调用,但是需要pillow和pytesseract的支持。

python中转换

image_to_data(image, lang=None, config='', nice=0, output_type=Output.STRING)
  • image Object,由Tesseract处理的图像的PIL Image/NumPy数组
  • lang String,Tesseract语言代码字符串
  • config String,任何其他配置字符串,例如:config='--psm 6'
  • 语言文件可以叠加,用“+”隔开
  • 我们也可以在这里进行tessdata路径的设置,跟在config里面即可
  • 更多配置包括config和psm都和tesseract类似

实例:

流程: 打开图片,配置,转换,可以通过Image的open或者cv2的imread打开图片,之后对图片进行对比度增强,降噪等处理,效果会好一些。

from PIL import Image
import pytesseract
class Languages:
  CHS = 'chi_sim'
  ENG = 'eng'
def img_to_str(image_path, lang=Languages.ENG):
  return pytesseract.image_to_string(Image.open(image_path), lang)
print(img_to_str('pic/numu.png', lang=Languages.ENG))
print(img_to_str('pic/pro.png', lang=Languages.ENG))

python识别图像并提取文字的实现方法

python识别图像并提取文字的实现方法

总结

简单的文本识别效果还是不错的,但是设计到多空行、符号等,识别效果就不是太好了,准确度方面可以通过对字库的训练达到想要的效果,之后对获取到的文本利用诸如re等各种库进行操作,其实应用还蛮广泛的。2. 但是它在验证码方面的话效果还是不错的,验证码的话tesserocr也是比较方面的.

识别中文可能会出现编码错误,这也是识别上的漏洞之一了,网上大佬们所说的改变文本的编码似乎并不能解决问题,所以对长文本图片处理还是不太建议直接转换。

图文处理也可以借鉴一些各平台的API,百度、腾讯、美团都有支持.

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
详解Python函数作用域的LEGB顺序
May 14 Python
Pycharm技巧之代码跳转该如何回退
Jul 16 Python
Python实现将HTML转换成doc格式文件的方法示例
Nov 20 Python
Pytorch之Variable的用法
Dec 31 Python
python实现井字棋小游戏
Mar 04 Python
Python3 hashlib密码散列算法原理详解
Mar 30 Python
Python 如何批量更新已安装的库
May 26 Python
Python如何获取文件指定行的内容
May 27 Python
keras 使用Lambda 快速新建层 添加多个参数操作
Jun 10 Python
python 密码学示例——凯撒密码的实现
Sep 21 Python
Python+OpenCV图像处理——实现直线检测
Oct 23 Python
Pytorch1.5.1版本安装的方法步骤
Dec 31 Python
python3射线法判断点是否在多边形内
Jun 28 #Python
python opencv 批量改变图片的尺寸大小的方法
Jun 28 #Python
python如何实现代码检查
Jun 28 #Python
python射线法判断一个点在图形区域内外
Jun 28 #Python
Python OpenCV之图片缩放的实现(cv2.resize)
Jun 28 #Python
如何使用Python 打印各种三角形
Jun 28 #Python
python射线法判断检测点是否位于区域外接矩形内
Jun 28 #Python
You might like
PHP CURL获取cookies模拟登录的方法
2013/11/04 PHP
PHP学习笔记之php文件操作
2016/06/03 PHP
javascript Excel操作知识点
2009/04/24 Javascript
Iframe 自适应高度并实时监控高度变化的js代码
2009/10/30 Javascript
页面只有一个text的时候,回车自动submit的解决方法
2010/08/12 Javascript
JavaScript 函数参数是传值(byVal)还是传址(byRef) 分享
2013/07/02 Javascript
js和jquery使按钮失效为不可用状态的方法
2014/01/26 Javascript
js左右弹性滚动对联广告代码分享
2014/02/19 Javascript
JavaScript中最简洁的编码html字符串的方法
2014/10/11 Javascript
javascript判断css3动画结束 css3动画结束的回调函数
2015/03/10 Javascript
在JavaScript中访问字符串的子串
2015/07/07 Javascript
JavaScript闭包实例详解
2016/06/03 Javascript
mac上配置Android环境变量的方法
2018/07/08 Javascript
JavaScript实现新年倒计时效果
2018/11/17 Javascript
小谈angular ng deploy的实现
2020/04/07 Javascript
js函数柯里化的方法和作用实例分析
2020/04/11 Javascript
让IDE识别webpack的别名alias的实现方法
2020/05/06 Javascript
详解vue中在父组件点击按钮触发子组件的事件
2020/11/13 Javascript
[01:50]《我与DAC》之玩家:iG夺冠时的那面红旗
2018/03/29 DOTA
python3转换code128条形码的方法
2019/04/17 Python
python取均匀不重复的随机数方式
2019/11/27 Python
pytorch:model.train和model.eval用法及区别详解
2020/02/20 Python
Python如何操作office实现自动化及win32com.client的运用
2020/04/01 Python
浅析python中的del用法
2020/09/02 Python
Jupyter Notebook 安装配置与使用详解
2021/01/06 Python
使用CSS3代码绘制可爱的Hello Kitty猫
2016/08/03 HTML / CSS
最好的商品表达自己:Cafepress
2019/09/04 全球购物
阿迪达斯越南官网:adidas越南
2020/07/19 全球购物
Overload和Override的区别
2012/09/02 面试题
大学生的创业计划书就该这么写
2014/01/30 职场文书
煤矿安全生产责任书
2014/04/15 职场文书
技校毕业生自荐书
2014/05/23 职场文书
小学生必读成语故事大全:送给暑假的你们
2019/07/09 职场文书
Nginx设置日志打印post请求参数的方法
2021/03/31 Servers
CSS3 实现的图片悬停的切换按钮
2021/04/13 HTML / CSS
PostgreSQL数据库创建并使用视图以及子查询
2022/04/11 PostgreSQL